Ameliyat Öncesi Akciğer Nodül İnfiltrasyonunun Yapay Zeka ile Tahmini

Akciğer kanseri teşhis ve tedavisinde cerrahi müdahalenin başarısını artırmak için preoperatif değerlendirmeler büyük önem taşımaktadır. Son yıllarda, bilgisayarlı tomografi (BT) görüntüleme teknikleri ve yapay zeka algoritmalarının birleşimi, özellikle pulmoner ground-glass nodüllerin (GGN) invazyon durumunun önceden tahmin edilmesi alanında yenilikçi çözümler sunmaktadır. Yeni bir araştırma, BT tabanlı radyomik özelliklerin gelişmiş sinir ağı modelleriyle entegrasyonunu ortaya koyarak, cerrahi planlamada ve kişiselleştirilmiş tedavi stratejilerinde çığır açmaya aday bir yaklaşım geliştirmiştir. Bu yöntem, tedavi uyumsuzluklarını azaltıp hastaların prognozlarını iyileştirme potansiyeli taşımaktadır.

Pulmoner GGNs, toraks radyolojisinde karmaşık ve genellikle belirsiz klinik görüntüler sunan lezyonlardır. Bu nodüller, iyi huylu inflamatuar süreçlerden invaziv adenokarsinoma kadar değişen heterojen patolojik özellikler gösterebilir. Bu nedenle, uygun cerrahi müdahale yönteminin belirlenmesi zorluklar içerir. Özellikle lobektomi ve sublobektomi arasında doğru karar verebilmek, hastanın hem sağkalım hem de yaşam kalitesi açısından kritik bir noktadır. Bir nodülün invazyon durumunun cerrahi öncesi tahmini, ameliyatın gerekliliklerini ve agresifliğini belirleyerek gereksiz geniş cerrahilerden kaçınma, ya da yeterince kapsamlı tedavi uygulama imkanı sağlar.

Bu yenilikçi çalışmanın temelinde “radyomik” adı verilen ileri analiz teknikleri yer almaktadır. Radyomik, standart BT görüntülerini yüksek boyutlu verilere dönüştürerek tümör mikroskopik özelliklerini detaylı bir şekilde sayısal olarak elde etmeye yarar. Araştırmacılar, ITK-SNAP platformu üzerinden akciğer pencere ayarlarında nodüllerin bölge of interest (ROI) alanlarını dikkatlice belirleyerek, nodüllere ait morfolojik, birinci sıra istatistiksel, doku (tekstür) ve daha karmaşık radyomik özellikler içeren geniş bir özellik seti çıkarmıştır. Bu süreç, GGNs’nin iç yapısal heterojenitesini nicel olarak ortaya koymaktadır.

Büyük ve karmaşık özellik havuzundan prognostik olarak anlamlı değişkenleri seçmek için Lasso algoritması kullanılmıştır. Lasso, özellikle çok sayıda öznitelik arasında gereksiz olanların elenmesini sağlayarak aşırı öğrenmeyi azaltır ve en bilgilendirici parametrelerin modele dahil edilmesine imkan tanır. Seçilen bu özellikler, daha sonra ileri düzey yapay sinir ağı modellerinde girdi olarak kullanılmıştır. Böylece model, görüntü verilerindeki karmaşık ve non-lineer ilişkileri daha iyi kavrayabilmektedir.

Yapay sinir ağı mimarisi, üç boyutlu konvolüsyonel sinir ağı (3D CNN) tabanlı olarak tasarlanmıştır. 3D CNN, volumetrik BT verilerini bütüncül biçimde analiz edebilmekte, tümörün üç boyutlu yapısal detaylarını göz önüne almaktadır. Ayrıca, modelin eğitiminde veri çeşitliliğini artıran rastgele rotasyon gibi veri artırma (data augmentation) teknikleri kullanılmıştır. Bu sayede, sınırlı tıbbi görüntü verisi probleminin üstesinden gelinerek modelin genelleme kapasitesi artırılmıştır. Önceden eğitilmiş parametrelerin kullanılması ise hesaplama süresini kısaltmakta ve benzer görüntüleme alanlarından kazanılan bilgilerin transferini sağlamaktadır.

Modelin ön tanı yeteneği yapılan değerlendirme sonuçları ile doğrulanmıştır. İlk testlerde 0.85 AUC değeri elde edilmiş, bu da yüksek doğruluk ve ayırıcı özellik olduğunu göstermektedir. Farklı kurum ve hasta gruplarında yapılan doğrulama çalışmaları ise 0.66 ve 0.71 AUC değerleriyle modelin tutarlı performans gösterdiğini ortaya koymuştur. Bu da yöntemin çeşitli klinik ortamlarda uygulanabilirliğine işaret etmektedir.

Modelin klinik etkileri daha somut istatistiklerle gözlemlenmiştir. Lobektomi ve sublobektomi arasındaki cerrahi uyumsuzluk oranında %35’ten fazla azalma sağlanmış ve bu değer 21.48% gibi anlamlı seviyelere indirilmiştir. Ayrıca, sublobektomi alt gruplarında dahi uyumsuzluk oranları %14’e yakın bir oranda azalarak %10.73’e ulaşmıştır. Bu sonuçlar, cerrahların nodül invazyon durumunu daha iyi tahmin ederek ameliyat planını hastaya özgü olarak optimize etmelerine yardımcı olmaktadır.

Uyumsuzluk oranlarının azalması, hasta bakımında direkt faydalara dönüşür. Gereksiz büyük akciğer rezeksiyonlarının önüne geçilmesiyle akciğer fonksiyon kaybı azaltılırken, gerçek anlamda agresif tümörler ise daha kapsamlı tedaviyle hedeflenir. Böylece, hem cerrahi morbidite azalmakta hem de hayatta kalma şansı artmaktadır. Bu yaklaşım, kişiselleştirilmiş göğüs onkolojisi bakımında paradigmanın değişimini simgeler.

Yöntemin önemli avantajlarından biri, invaziv biyopsiler veya moleküler testlere ihtiyaç duymadan yaygın kullanılan CT görüntüleme verilerinden elde edilmesidir. Bu sayede, gelişmekte olan veya kaynak kısıtlı sağlık sistemlerinde bile erişilebilir, daha hızlı ve düşük maliyetli veriye dayalı karar destek sistemleri yaratılabilir. Radyo-patoloji uzmanlığı sınırlı olan yerlerde bile yapay zeka destekli değerlendirmeler ile klinik kararlar kalite açısından yükseltilebilir.

Bununla birlikte yeni teknolojilerin klinikte uyumu için model yorumlanabilirliği konusu önem arz etmektedir. Yapay sinir ağlarının “kara kutu” yapısı, hekimlerin karar sürecine güvenini zayıflatabilir. Gelecekte, modelin içindeki faktörlerin klinisyen tarafından anlaşılır hale getirilmesini sağlayacak açıklanabilir yapay zeka çözümleri geliştirilmesi gerekmektedir. Böylece, insan-makine işbirliği daha verimli ve şeffaf olacaktır.

Araştırma retrospektif çok merkezli bir tasarımla yürütülmüş olup sonuçlar dış geçerlilik açısından umut vaat etmektedir. Ancak, gerçek dünya etkinlik ve güvenilirliğinin tam olarak değerlendirilmesi için ileriye dönük prospektif ve randomize kontrollü çalışmalara ihtiyaç duyulmaktadır. Ayrıca, multi-omiks veriler ve uzun süreli görüntü takipleriyle model doğruluğu artırılabilir, farklı akciğer hastalıklarına uyarlanabilir.

Bu metodolojik yaklaşım yalnızca akciğer kanseriyle sınırlı kalmayıp, genel olarak cerrahi onkolojide radyomik ve derin öğrenme tekniklerinin tümör biyolojisini görüntüden çözmede öncü olacağına işaret etmektedir. Bu, doğru hastaya, doğru zamanda, doğru tedaviyi sunmak hedefinde önemli bir aşamadır. Klinik pratikte etkinliği artan yapay zeka uygulamaları onkoloji alanında dönüşümü tetikleyecektir.

Sonuç olarak, CT tabanlı radyomik ve sinir ağlarının birleşimi pulmoner GGNs’nin preoperatif invazyon tahmininde güçlü bir araç olarak ortaya çıkmaktadır. Cerrahi kararlarda objektif ve veri destekli bir rehber işlevi görerek hasta bakımında devrim yaratacak potansiyele sahiptir. Bu teknolojik ilerleme, kişiselleştirilmiş akciğer kanseri cerrahisinin geleceğini temsil etmekte, yaşam kalitesini ve sağkalımı artırmaya yönelik umut vadetmektedir.

Bu gelişmeler, katı protokollerden esnek ve bireye özgü tedavi yaklaşımlarına geçişin simgesi olarak göğüs cerrahisinde evrimi yansıtmaktadır. Akciğer nodülleri nedeniyle dünya çapında milyonlarca hasta için klinik süreçler dönüşecektir. Yapay zekanın tıbbi görüntüleme ve onkolojiye entegrasyonu multidisipliner iş birliği ile daha da güçlenmelidir.

Önümüzdeki yıllarda, hesaplama gücü, görüntüleme teknikleri ve yapay zeka algoritmalarındaki ilerlemeler sayesinde bu tahmine dayalı modellerin performansı artacak, kullanım alanları genişleyecektir. Radyologlar, cerrahlar, veri bilimcileri ve onkologların ortak çalışmaları, etik kurallar çerçevesinde bu teknolojilerin yaygın ve güvenli biçimde kullanılmasını sağlayacaktır. Böylece, yapay zeka tıbbın vazgeçilmez bir parçası olmayı sürdürecektir.

—

**Araştırma Konusu**: Preoperatif pulmonary ground-glass nodül infiltrasyon durumunun BT tabanlı radyomik ve yapay sinir ağları kombinasyonuyla tahmini.

**Makale Başlığı**: Preoperative prediction of pulmonary ground-glass nodule infiltration status by CT-based radiomics combined with neural networks.

**Web References**:
https://doi.org/10.1186/s12885-025-14027-w

**Doi Referans**:
https://doi.org/10.1186/s12885-025-14027-w

**Resim Credits**:
Scienmag.com

**Anahtar Kelimeler**:
Yapay zeka, akciğer nodülü prediksiyonu, bilgisayarlı tomografi, radyomik, yüksek boyutlu tıbbi görüntü verileri, görev önerileri, GGN infiltrasyon durumu, sinir ağı mimarileri, kişiselleştirilmiş tedavi, cerrahi planlama, pulmoner nodüller, toraks radyolojisi, tedavi uyumsuzluklarının azaltılması